[發(fā)明專利]一種微表情識(shí)別的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201610288592.0
• 申請(qǐng)日: 2016-05-03
• 公開（公告）號(hào): CN107341432A
• 公開（公告）日: 2017-11-10
• 發(fā)明（設(shè)計(jì)）人: 陸平;楊帆;羅圣美;鄭文明
• 申請(qǐng)（專利權(quán)）人: 中興通訊股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 北京安信方達(dá)知識(shí)產(chǎn)權(quán)代理有限公司11262
• 代理人: 解婷婷,龍洪

技術(shù)領(lǐng)域

本發(fā)明涉及微表情識(shí)別領(lǐng)域，具體涉及一種微表情識(shí)別的方法和裝置。

背景技術(shù)

當(dāng)人類試圖抑制或隱藏真實(shí)的情感時(shí)，往往會(huì)泄露出非常短暫且不能自主控制的面部表情，這樣的面部表情稱為微表情(mirco-expression)，如附圖1所示。在心理學(xué)層面針對(duì)微表情的研究已經(jīng)有了幾十年的歷史，研究人員利用微表情在司法審訊，商業(yè)談判，心理咨詢等領(lǐng)域頗有建樹。目前，微表情識(shí)別研究引起了計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的廣泛關(guān)注，微表情識(shí)別的現(xiàn)有方法與面部表情識(shí)別方法相似，是從人臉面部圖像序列中提取能反應(yīng)情緒類別的主要特征，并在此基礎(chǔ)上進(jìn)行微表情的分類和識(shí)別。由于微表情自身持續(xù)時(shí)間短暫和強(qiáng)度較低的特點(diǎn)，常用的表情識(shí)別方法用于識(shí)別微表情效果比較一般。

由于人臉表情是一個(gè)持續(xù)的過程，為了更好的體現(xiàn)這一持續(xù)過程，在識(shí)別的過程中加入時(shí)間特征是必要的。(Zhao and Pietikainen,2007)提出了兩種時(shí)空局部模式：VLBP(Volume Local Binary Patterns，時(shí)空局部二值模式)和LBP-TOP(LBP from Three Orthogonal Planes，三個(gè)正交平面的局部二值模式)。由于當(dāng)鄰近點(diǎn)增加時(shí)，VLBP的模式數(shù)量會(huì)變得相當(dāng)龐大。

發(fā)明內(nèi)容

本發(fā)明提供一種干擾對(duì)齊的方法和裝置，降低接收端的反饋量，節(jié)省發(fā)送端之間的信息交互。

為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采取的技術(shù)方案如下：

一種微表情識(shí)別的方法，包括：

獲取微表情測試集；

對(duì)于所述測試集內(nèi)的每一個(gè)微表情圖片提取三個(gè)正交平面的局部二值模式LBP-TOP特征向量，并用獲得的所述特征向量作為組稀疏最小二乘回歸GSLSR模型的預(yù)測子；

通過序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系，依據(jù)獲得的每一個(gè)微表情圖片所述GSLSR模型的預(yù)測子，獲得所述微表情圖片的GSLSR模型對(duì)應(yīng)的測試集內(nèi)的標(biāo)簽。

可選地，所述的方法還包括：根據(jù)測試集內(nèi)的每一個(gè)微表情圖片的標(biāo)簽得到所述測試集的識(shí)別率。

可選地，所述方法之前還包括：

獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

可選地，獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系包括：

獲取微表情訓(xùn)練集；

對(duì)于所述訓(xùn)練集內(nèi)的每一個(gè)微表情圖片提取LBP-TOP特征向量，并用獲得的所述特征向量作為GSLSR模型的預(yù)測子；

根據(jù)獲得的所述每一個(gè)微表情圖片的GSLSR模型的預(yù)測子，求解GSLSR的回歸系數(shù)矩陣，根據(jù)所述回歸矩陣獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

可選地，提取LBP-TOP特征向量之前還包括：

將所述圖片的大小進(jìn)行歸一化；

將所述歸一化后的圖片轉(zhuǎn)化為灰度圖片。

可選地，提取LBP-TOP特征向量之前還包括：

對(duì)所述圖片進(jìn)行分塊，并為每塊圖片分配權(quán)值。

可選地，通過序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系，依據(jù)獲得的每一個(gè)微表情圖片所述GSLSR模型的預(yù)測子，獲得所述微表情圖片的GSLSR模型對(duì)應(yīng)的測試集內(nèi)的標(biāo)簽包括：

求解描述所述微表情圖片的所述GSLSR模型的預(yù)測子與所述序列標(biāo)簽向量關(guān)系函數(shù)的最小值，將所述最小值對(duì)應(yīng)的標(biāo)簽作為所述微表情圖片的標(biāo)簽。

本發(fā)明還提供一種微表情識(shí)別的裝置，包括：

獲取模塊，設(shè)置為獲取微表情測試集；

預(yù)測模塊，設(shè)置為對(duì)于所述測試集內(nèi)的每一個(gè)微表情圖片提取三個(gè)正交平面的局部二值模式LBP-TOP特征向量，并用獲得的所述特征向量作為組稀疏最小二乘回歸GSLSR模型的預(yù)測子；

標(biāo)簽?zāi)K，設(shè)置為通過序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系，依據(jù)獲得的每一個(gè)微表情圖片所述GSLSR模型的預(yù)測子，獲得所述微表情圖片的GSLSR模型對(duì)應(yīng)的測試集內(nèi)的標(biāo)簽。

可選地，所述的裝置還包括：

識(shí)別模塊，設(shè)置為根據(jù)測試集內(nèi)的每一個(gè)微表情圖片的標(biāo)簽得到所述測試集的識(shí)別率。

可選地，所述的裝置還包括：

對(duì)應(yīng)模塊，設(shè)置為獲得序列標(biāo)簽向量和微表情圖片序列特征向量之間的關(guān)系。

可選地，所述對(duì)應(yīng)模塊包括：

訓(xùn)練單元，設(shè)置為獲取微表情訓(xùn)練集；